論文の概要: VeinCast: Physics-Guided Dynamic Field Graphs with Graph-Conditioned Fusion for Global Medium-Range Weather Forecasting

• arxiv url: http://arxiv.org/abs/2608.09286v1
• Date: Mon, 10 Aug 2026 08:39:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.164247
• Title: VeinCast: Physics-Guided Dynamic Field Graphs with Graph-Conditioned Fusion for Global Medium-Range Weather Forecasting
• Title（参考訳）: VeinCast:大域中距離気象予報のためのグラフ定義融合を用いた物理誘導動的場グラフ
• Abstract要約: VeinCastは物理学誘導の動的場グラフとグラフ条件の融合フレームワークで、69面と上面の場を共同で予測する。 1.5円のERA5ベンチマークで、VeinCast氏は、最大14日間のリードタイムで69の気象分野すべてにわたって、競争力のある予測性能を示す。
• 参考スコア（独自算出の注目度）: 24.077745367576114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Global medium-range weather forecasting requires modeling structured yet state-dependent interactions among heterogeneous atmospheric fields. Existing data-driven models largely learn these interactions implicitly, whereas equation-level physical constraints may inherit approximation and model-form biases. We present VeinCast, a physics-guided dynamic field graph and graph-conditioned fusion framework that jointly forecasts 69 surface and upper-air fields. Within each local window, its Physics-Guided Dynamic Field Graph combines predefined atmospheric relations with state-dependent Top-K residual edges and adapts Earth-window attention using the resulting graph context. Graph-Conditioned Latent Fusion further employs graph context and source-node centrality to guide field-to-latent aggregation, while bounded feedback preserves field-specific information. On the $1.5^\circ$ ERA5 benchmark, VeinCast demonstrates competitive forecasting performance across all 69 meteorological fields at lead times of up to 14 days, compared with representative global weather forecasting models including FuXi, Pangu-Weather, GraphCast, FengWu, and ARROW. Ablations confirm that the two modules provide complementary gains, demonstrating the effectiveness of relational-level physical guidance for data-driven weather forecasting.
• Abstract（参考訳）: グローバルな中距離気象予報には、異種大気場間の構造的だが状態に依存しない相互作用をモデル化する必要がある。 既存のデータ駆動モデルはこれらの相互作用を暗黙的に学習するが、方程式レベルの物理的制約は近似とモデル形式バイアスを継承する。 物理誘導型動的場グラフとグラフ条件の融合フレームワークであるVeinCastについて述べる。 各ローカルウィンドウ内において、物理誘導ダイナミックフィールドグラフは、定義済みの大気関係と状態依存のTop-K残差エッジを結合し、その結果のグラフコンテキストを用いて地球風の注意を適応させる。 Graph-Conditioned Latent Fusionはさらに、フィールドからラテントへのアグリゲーションを導くために、グラフコンテキストとソースノードの集中性を使用している。 1.5^\circ$ ERA5ベンチマークで、VeinCastは、FuXi、Pangu-Weather、GraphCast、FengWu、ARROWなどの代表的なグローバル気象予報モデルと比較して、最大14日間のリードタイムで、69の気象分野の競争予測性能を示す。 アブレーションは2つのモジュールが相補的な利得をもたらし、データ駆動天気予報におけるリレーショナルレベルの物理的ガイダンスの有効性を示す。

関連論文リスト

• DyG$^2$T: Modeling Object Dynamics with 3D Gaussian Temporal-Spatial Particle Graph Transformer [86.4618122245946]
  DyG$2$Tは動的モデリングフレームワークで、キーポイント表現を空間的に完了し、時間的に識別することでオブジェクトの運動軌跡を推定する。 合成データセットと実世界のデータセットの両方の実験は、DyG$2$Tが正確な動的モデリングと推論を実現することを示した。
  論文  参考訳（メタデータ） (2026-08-19T03:44:28Z)
• Physics-Guided Dual Decoding and Spectral Supervision for Global 3D Hydrometeor Prediction [2.1603484118769476]
  これらの変数の無膨らみ、長い尾の分布のため、3次元のハイドロメータ予測は困難である。 このような平滑化を緩和する物理誘導型デュアルデコーディングフレームワークであるPredHydro-Netを提案する。 ウェーブレットに基づく周波数デカップリング、スペクトル振幅マッチング、および対向トレーニングを統合することにより、定量的精度と空間忠実度の間の良好なトレードオフを実現する。
  論文  参考訳（メタデータ） (2026-06-07T10:38:37Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• Learning Coupled Earth System Dynamics with GraphDOP [0.0]
  GraphDOPは、生の衛星とその場観測から直接天気を予測することを学習するグラフベースの機械学習モデルである。 ケーススタディには、北極における急激な海氷の凍結、ハリケーンイアンによる海面の冷却、2022年の欧州の厳しい熱波などが含まれる。
  論文  参考訳（メタデータ） (2025-10-23T10:36:20Z)
• S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
  既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。 これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。 本稿では,構造的空間的注意を新たに提案する。 空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。 ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
  論文  参考訳（メタデータ） (2025-09-10T05:33:28Z)
• Appa: Bending Weather Dynamics with Latent Diffusion Models for Global Data Assimilation [4.430758443755128]
  Appaはスコアベースのデータ同化モデルで、地球規模の大気軌道を0.25度と1時間間隔で生成する。 この結果から,将来的な大気モデルシステムの基礎として,潜在スコアに基づくデータ同化が確立される。
  論文  参考訳（メタデータ） (2025-04-25T22:14:29Z)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Comparing and Contrasting Deep Learning Weather Prediction Backbones on Navier-Stokes and Atmospheric Dynamics [41.00712556599439]
  私たちは、最も顕著なディープラーニング天気予報モデルと背骨を比較し、対比します。 合成2次元非圧縮性ナビエストークスと実世界の気象動態を予測してこれを達成した。 365日間の長距離気象観測では、球面データ表現を定式化するアーキテクチャにおいて、優れた安定性と物理的健全性を観察する。
  論文  参考訳（メタデータ） (2024-07-19T08:59:00Z)
• Leveraging data-driven weather models for improving numerical weather prediction skill through large-scale spectral nudging [1.747339718564314]
  本研究は、物理学に基づくGEMとAIベースのGraphCastモデルの相対的な強みと弱みを示す。 物理空間とスペクトル空間におけるそれぞれの大域的予測の解析により、GraphCast予測された大規模なスケールは、より長いリードタイムにおいてGEMを上回っていることが明らかとなった。 GEMにより予測される温度と水平風の成分を大規模にグラフCast予測に向けてスペクトル的に評価するハイブリッドNWP-AIシステムを提案する。
  論文  参考訳（メタデータ） (2024-07-08T16:39:25Z)
• How far are today's time-series models from real-world weather forecasting applications? [22.68937280154092]
  WEATHER-5Kは、現実世界のシナリオをよりよく反映した観測気象データの包括的収集である。 これにより、モデルのより良いトレーニングと、TSFモデルの現実の予測能力のより正確な評価が可能になる。 我々は,学術的TSFモデルと実世界の天気予報アプリケーションとのギャップを,研究者に明確に評価する。
  論文  参考訳（メタデータ） (2024-06-20T15:18:52Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• HiSTGNN: Hierarchical Spatio-temporal Graph Neural Networks for Weather Forecasting [13.317147032467306]
  複数の局における気象変数間の時間的相互相関をモデル化するためのグラフ階層時空間ニューラルネットワーク(HiSTGNN)を提案する。 3つの実世界の気象データセットの実験結果は、HiSTGNNが7つの基準線を超える優れた性能を示した。 特に最先端の天気予報法と比較して誤差を4.2%から11.6%に減らす。
  論文  参考訳（メタデータ） (2022-01-22T17:30:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。